Python 是現今廣泛使用的編程語言之一。其中，詞袋模型是自然語言處理領域中非常重要的技術。這篇文章將介紹 Python 中如何使用詞袋模型來建立基礎的文本分析。

# 導入必要的庫
from sklearn.feature_extraction.text import CountVectorizer
# 定義文本數據
documents = ["This is the first document.", "This is the second document.", "And this is the third one.", "Is this the first document?"]
# 創建詞袋向量
vectorizer = CountVectorizer()
bag_of_words = vectorizer.fit_transform(documents)
# 輸出單詞列表
print(vectorizer.get_feature_names())
# 輸出詞袋向量
print(bag_of_words.toarray())

上述代碼中，首先導入了必要的庫。接著，定義了一組文本數據，這里用了一個包含 4 個字符串的 List。然后，通過導入的 CountVectorizer 類創建了詞袋向量。最后，對詞袋向量進行了輸出。

運行上述代碼會先輸出所有單詞列表，然后輸出文本數據的所有詞袋向量。

總結來說，Python 的詞袋模型構建十分方便，并且可以很容易地進行一些簡單的特征工程。如果你正在進行自然語言處理編程的項目，那么 Python 是一種非常不錯的選擇。